Abstract :
[fr] Le système couplé FlowCAM/ZooPhytoImage est devenu un outil véritablement opérationnel en 2014. Cependant, pour qu'il soit totalement adapté aux observations du phytoplancton réalisées dans le cadre du réseau d'observation REPHY, et afin de mieux répondre aux sollicitations présentes et futures concernant l'évaluation de la qualité des eaux littorales et marines dans le cadre des exigences européennes, telles que la DCE et la DCSMM, des nouvelles fonctionnalités doivent être intégrées aux outils existants. C'est pourquoi, différents axes d'évolution ont été proposés par l'UMONS et l'IFREMER pour adapter le logiciel Zoo/PhytoImage aux contraintes définies par le REPHY.
Premièrement, la dernière version de Zoo/PhytoImage permet d'obtenir des identifications automatiques pertinentes du phytoplancton mais sans distinguer une cellule d'une colonie. Or, même si les colonies contribuent en grande partie à la productivité annuelle, l'ensemble des estimateurs de la biomasse sont calibrés essentiellement sur l'abondance en termes de cellules par unité de volume. Dans ce rapport, la méthode proposée consiste à construire un modèle prédictif permettant d'estimer le nombre de cellules par colonie, en se basant sur les comptages manuels réalisés sur les particules du set d'apprentissage. Dans cette étude, des scores élevés de performance ont été mis en évidence sur douze groupes taxinomiques de phytoplancton colonial de la Manche Orientale et de la Mer du Nord.
Deuxièmement, le module de correction de l'erreur, intégré à Zoo/PhytoImage depuis la version 4, permet d'obtenir des identifications avec un faible pourcentage d'erreur par groupe, pour chacun des échantillons analysés. Nous proposons ici, d'utiliser l'information liée à la validation manuelle des vignettes par l'expert, afin d'ouvrir la voie à l'apprentissage actif. Dans ce rapport, nous montrons les intérêts de ce processus pour la reconnaissance semi-automatisée du phytoplancton, à savoir : la construction et l'adaptation automatique du set d'apprentissage permettant de partir d'un set « global » au niveau national ; l'amélioration des performances de classification automatique de nouveaux échantillons ; un gain de temps lors de la validation des prédictions automatiques dans le cadre de la correction de l'erreur.
